2026年10月21日 04:03
ElevenLabs、リアルタイム音声対話モデル2種
Elevenlabs releases two new speech-to-speech models designed for real-time AI conversations
3行まとめ
- •ElevenLabsが音声変換モデル2種を公開
- •v1 Maxは精度98.8%、応答0.57秒
- •速度と精度の両立を同社が主張
詳細
背景
ElevenLabsは音声合成を中心に事業を展開するAI企業です。AIとの音声会話では、応答の遅さや認識精度の低さが課題となっており、自然なやり取りには低遅延と高い正確性の両立が求められています。音声を入力して音声で返すspeech-to-speech（音声から音声への変換）モデルは、こうした会話型AIの基盤技術に位置づけられます。
内容
ElevenLabsは、リアルタイムのAI会話向けに設計した新しいspeech-to-speechモデル「Eleven Realtime」を2種類公開しました。上位版の「v1 Max」は、音声推論の精度を測るBig Bench Audioベンチマークで98.8%を記録し、応答時間は0.57秒です。同社は、Artificial Analysisのリーダーボード上で、これより速く、かつ正確なモデルは存在しないと主張しています。速度と精度の両面で、現行の主要モデルを上回る位置づけを打ち出しています。
今後の影響
音声エージェントやカスタマーサポート、通話型アプリなどでは、応答速度と認識精度が体験の質を左右します。低遅延で高精度なモデルが提供されることで、音声対話AIを自社サービスに組み込む企業は、選定時の比較材料が増えます。ただし、数値は同社の発表に基づくものであり、実際の業務環境での性能は個別の検証が必要です。
なぜ重要か
音声対話AIの応答速度と精度の指標が更新され、音声エージェントを導入・検討する企業にとってサービス選定の比較材料になるため。
元記事を読む — The Decoder